Meskipun memverifikasi seluruh model AI dengan bukti pengetahuan nol terdengar mengesankan secara teori, ternyata sangat lambat, memerlukan banyak sumber daya, dan sulit untuk diterapkan dalam praktik. Ketika setiap komponen harus dibuktikan bersama, kinerja mengalami penurunan yang besar.

Itulah mengapa pendekatan dari @inference_labs beralih ke kepercayaan selektif daripada strategi verifikasi semua atau tidak sama sekali. Hanya bagian-bagian yang benar-benar kritis dari model yang dibuktikan secara kriptografi, sementara semuanya berjalan dengan kecepatan penuh.

Ini membuat AI yang dapat diverifikasi praktis untuk aplikasi dunia nyata. Keputusan berisiko tinggi mendapatkan keamanan yang tidak dapat diganggu gugat, inferensi sehari-hari tetap cepat, dan privasi model tetap terjaga. Ini adalah lompatan nyata menuju penerapan kecerdasan yang didukung ZK secara skala, jauh melampaui sekadar konsep teoretis.

Visi tersebut sangat sesuai dengan fokus Inference Labs pada sistem ZKML dan verifikasi modular yang efisien dan praktis, alih-alih memaksakan bukti yang ekstensif di seluruh bidang.